Исследователи из Университета Дьюка разработали модель вспомогательного машинного обучения, которая значительно улучшает способность медицинских работников читать диаграммы электроэнцефалографии (ЭЭГ) пациентов интенсивной терапии.

Поскольку показания ЭЭГ — единственный метод узнать, когда пациенты, находящиеся без сознания, находятся в опасности возникновения приступа или испытывают приступоподобные явления, этот вычислительный инструмент может помочь спасти тысячи жизней каждый год. Результаты появятся онлайн 23 мая на сайте NEJM AI.

ЭЭГ использует небольшие датчики, прикрепленные к коже головы, для измерения электрических сигналов мозга, создавая длинную линию волнистых линий вверх и вниз. Когда у пациента случается припадок, эти линии резко подпрыгивают вверх и вниз, как сейсмограф во время землетрясения — сигнал, который легко распознать. Но другие важные с медицинской точки зрения аномалии, называемые приступоподобными явлениями, распознать гораздо труднее.

«Активность мозга, которую мы наблюдаем, существует в континууме, где судороги находятся на одном конце, но в середине все еще есть много событий, которые также могут причинить вред и потребовать лечения», — сказал доктор Брэндон Вестовер, доцент неврологом в Массачусетской больнице общего профиля и Гарвардской медицинской школе.

«паттерны ЭЭГ, вызванные этими событиями, труднее распознать и уверенно классифицировать даже высококвалифицированным неврологам, которые есть не в каждом медицинском учреждении. Но это чрезвычайно важно для исходов здоровья этих пациентов».

Чтобы создать инструмент, который поможет сделать эти выводы, врачи обратились к лаборатории Синтии Рудин, профессора компьютерных наук, электротехники и вычислительной техники графа Д. Маклина-младшего в Университете Дьюка. Рудин и ее коллеги специализируются на разработке «интерпретируемых» алгоритмов машинного обучения. Хотя большинство моделей машинного обучения представляют собой « черный ящик », из-за которого человек не может узнать, как он приходит к выводам, интерпретируемые модели машинного обучения по сути должны демонстрировать свою работу.

Исследовательская группа начала со сбора образцов ЭЭГ более чем 2700 пациентов, и более 120 экспертов выделили соответствующие особенности на графиках, классифицируя их либо как припадок, либо как один из четырех типов приступоподобных событий, либо как «другие». Каждый тип событий отображается на диаграммах ЭЭГ в виде определенных фигур или повторений волнистых линий. Но поскольку эти графики редко бывают устойчивыми по своему внешнему виду, контрольные сигналы могут прерываться плохими данными или могут смешиваться, создавая запутанный график.

«Существует основная истина, но ее трудно прочитать», — сказал Старк Го, доктор философии. студент, работающий в лаборатории Рудина. «Присущая многим из этих диаграмм двусмысленность означала, что нам пришлось научить модель размещать свои решения в континууме, а не в четко определенных отдельных интервалах».

При визуальном отображении этот континуум выглядит как разноцветная морская звезда, уплывающая от хищника. Каждая рука разного цвета представляет собой один тип судорожно -подобного события, которое может представлять ЭЭГ. Чем ближе алгоритм помещает конкретную диаграмму к кончику руки, тем более он уверен в своем решении, в то время как карты, расположенные ближе к центральному телу, менее уверены.

Помимо этой визуальной классификации, алгоритм также указывает на закономерности мозговых волн, которые он использовал для определения, и предоставляет три примера профессионально диагностированных диаграмм, которые он считает похожими.

«Это позволяет медицинскому работнику быстро просмотреть важные разделы и либо согласиться с наличием закономерностей, либо решить, что алгоритм не соответствует действительности», — сказала Алина Барнетт, научный сотрудник лаборатории Рудина. «Даже если они не обучены считыванию ЭЭГ, они могут принять гораздо более обоснованное решение».

При тестировании алгоритма совместная команда попросила восемь медицинских специалистов с соответствующим опытом разделить 100 образцов ЭЭГ на шесть категорий: один раз с помощью ИИ, а другой — без него. Результаты всех участников значительно улучшились, а их общая точность выросла с 47% до 71%. Их производительность также оказалась выше, чем у тех, кто использовал аналогичный алгоритм «черного ящика» в предыдущем исследовании.

«Обычно люди думают, что модели машинного обучения «черный ящик» более точны, но для многих важных приложений, таких как это, это не так», — сказал Рудин. «Гораздо легче устранять неполадки в моделях, когда они поддаются интерпретации. И в данном случае интерпретируемая модель оказалась более точной. Она также дает представление с высоты птичьего полета о типах аномальных электрических сигналов, возникающих в мозге, что действительно полезно для уход за тяжелобольными пациентами».